Управление энергопотреблением процессора на основе стохастической оптимизации тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сартасов Станислав Юрьевич

• Сартасов Станислав Юрьевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Сартасов Станислав Юрьевич

Оглавление

Введение

Глава 1. Модель энергопотребления гетерогенного

центрального процессора

1.1 Энергопотребление мобильных устройств

1.2 Измерение и оценка энергопотребления, методология экспериментов

1.3 Построение модели энергопотребления гетерогенного центрального процессора

Глава 2. Рандомизированные алгоритмы стохастической оптимизации в задаче оптимизации энергопотребления мобильного устройства

2.1 Рандомизированные алгоритмы стохастической оптимизации

2.1.1 Функционал среднего риска

2.1.2 Алгоритм сдновременно возмущаемой стохастической аппроксимации

2.2 Теоретические результаты о свойствах оценок рандомизированных алгоритмов стохастической оптимизации в задаче отслеживания изменений оптимальных параметров

2.3 Целевая функция для алгоритма сдновременно возмущаемой стохастической аппроксимации с одним наблюдением в задаче оптимизации энергопотребления процессора

2.4 Целевая функция для алгоритма одновременно

возмущаемой стохастической аппроксимации с двумя наблюдениями в задаче оптимизации энергопотребления процессора

2.4.1 Стоимость исполнения программы и функционал среднего риска

2.4.2 Получение зашумленных наблюдений

Глава 3. Регуляторы частоты процессора на основе

алгоритмов сдновременно возмущаемой стохастической аппроксимации с одним и двумя наблюдениями

3.1 Особенности программирования регуляторов на основе алгоритмов одновременно возмущаемой стохастической аппроксимации с одним и двумя наблюдениями

3.2 Результаты тестирования разработанных регуляторов на основе алгоритмов одновременно возмущаемой стохастической аппроксимации с одним и двумя наблюдениями

3.2.1 Результаты тестирования регулятора на основе алгоритма с одним наблюдением

3.2.2 Результаты тестирования регулятора на основе алгоритма с двумя наблюдениями

3.3 Анализ результатов тестирования регуляторов

Заключение

Литература

Приложение Л. Акты о внедрении

Приложение В. Свидетельство о государственной

регистрации программы для ЭВМ

Введение диссертации (часть автореферата) на тему «Управление энергопотреблением процессора на основе стохастической оптимизации»

Введение

На текущий момент задача оптимизации энергопотребления смартфонов, планшетов и других портативных ЭВМ остаётся актуальной как для их пользователей, так и в широком смысле для народного хозяйства. Это связано с тем фактом, что за последние 20 лет изменились паттерны пользовательского доступа к информационным системам и сетевым сервисам: для получения необходимой информации намного чаще используются смартфоны, планшеты и иные виды ЭВМ (далее — мобильные устройства или просто устройства), поддерживающие режим работы от аккумулятора, а следовательно длительность автономной работы становится одним из основных критериев качества и удобства человеко-машинного интерфейса.

С одной стороны, указанная задача решается электронной и электрохимической промышленностью, разрабатывающей как более энергоёмкие аккумуляторы, так и более энергоэффективные компоненты для таких устройств. К последним относятся центральные процессоры (ЦП), построенные по гетерогенной архитектуре. Например, согласно архитектуре ARM big.LITTLE ЦП состоит из двух кластеров ядер —- менее производительных, но энергоэффективных (кластер LITTLE), и более производительных и энергоёмких (кластер big) [51]. Однако немаловажную роль играет и то, разработано ли системное и прикладное программное обеспечение с учётом особенностей работы этих компонентов от автономного источника питания.

Одной из наиболее проработанных технологий управления энергопотреблением в операционных системах (ОС) является технология динамического масштабирования напряжения и частоты (Dynamic Voltage Frequency Scaling, DVFS). ЦП способен работать на конечном множестве рабочих частот и переключаться между ними в процессе работы. Модуль или регулятор DVFS (DVFS governor) —- это программный модуль ОС, который предписывает ЦП установить ту или иную рабочую частоту в зависимости от наблюдаемого состояния вычислительной системы и ал-

горитма управления частотой. Этот модуль может работать в связке с диспетчером задач ОС или быть независимым от него [103].

Задача оптимизации энергопотребления ЦП состоит в том, чтобы максимизировать производительность и минимизировать затраты энергии, при этом управляющим воздействием является установка рабочей частоты ЦП. Для решения этой задачи можно предложить различные стратегии, но при этом определение лучшей стратегии из множества сопряжено с методологическими трудностями.

На текущий момент существуют два концептуально разных подхода к замерам энергопотребления ЦП. Первый из них, прямой подход, состоит в подключении измерительного прибора к целевому компоненту и анализу результатов измерений при различных рабочих нагрузках. Помимо финансовых затрат и высокой требуемой квалификации исследователей такой подход обладает и тем недостатком, что его не всегда реалистично применить для подключения внешнего мультиметра к цепям питания реального устройства без нарушения его работоспособности. Косвенный подход состоит в замере каких-либо характеристик, опосредованно связанных с энергопотреблением (времени нахождения ЦП на определённой частоте, числа инструкций того или иного вида в рабочей нагрузке), и преобразованию их в данные об энергопотреблении с помощью математической модели. Такой подход существенно дешевле и менее требователен, но при этом точность оценки напрямую связана с качеством модели [78]. Существующие на сегодняшний день модели недостаточно полно описывают поведение современных гетерогенных ЦП. Таким образом, актуальна задача создания новых моделей и методов замера энергопотребления ЦП мобильного устройства для оценки качества работы программных модулей, оптимизирующих энергопотребление.

К настоящему времени разработано несколько подходов к оптимизации энергопотребления ЦП мобильного устройства. Кс. Ли (X. Li), В. Вен (W. Wen) и Кс. Ванг (X. Wang) предложили перед использованием той или иной функциональности включать её специальный профиль в под-

системе DVFS [71]. Использование нейронных сетей для предсказания оптимальной частоты в схожих с текущей ситуациях успешно применяли Й.Л. Чен (Y.L. Chen), М.Ф. Чанг (M.F. Chang), Ч.В. Ю (Ch.W. Yu), Кс.Ж. Чен (X.Zh. Chen), В.Й. Лянь (W.Y. Liang) [33], Дж. Ли (J.Lee), С. Нам (S. Nam) и С. Парк (S. Park) [66]. Подход, заключающийся в преобразовании текущего состояния системы, понимаемом в широком смысле, в прогнозируемую оптимальную частоту посредством эмпирически установленной формулы, встречается в работах К. Пурнамбигаи (K. Poornambigai), М.Л. Раджа (M.L. Raj), П. Мины (P. Meena) [85], Л. Бройд (L. Broyd), К. Никсона (K. Nixon), Кс. Чена (X. Chen), Х. Ли (H. Li) и Й. Чена (Y. Chen) [28]. Среди стандартных модулей, входящих в поставку ОС Android для мобильных устройств, задача оптимизации энергопотребления ЦП решается до определённой степени только в регуляторе schedutil, являющимся частью системы EAS, разработанной Linaro и ARM [60]. Частота выставляется пропорционально оценке энергетической загруженности кластера гетерогенного ЦП исходя из оценочной трудоёмкости задач, назначенных на каждое ядро кластера. Такой подход более энергоэффективен по сравнению с основанными на эмпирических правилах регуляторами OnDemand и Interactive, которые не учитывают энергопотребление ЦП. Однако общим недостатком является недостаточная проработанность теоретических основ предлагаемых методов, особенно при переходе к гетерогенной архитектуре ЦП. Открытым остаётся и вопрос, можно ли дальше снизить энергопотребление при сохранении производительности и отзывчивости человеко-машинных интерфейсов.

Вместе с тем с середины прошлого века развивается подход на основе рандомизированных рекуррентных алгоритмов стохастической оптимизации, начало которому положили процедуры Роббинса-Монро и Кифера-Вольфовица [62,88]. Этот подход хорошо работает во многих задачах, где измерения целевого функционала зашумлены, например, Н.О. Амелиной и А.Л. Фрадковым для формирования консенсуса в стохастических сетях [20], К.С. Амелиным для управления группой квадроко-

птеров [1], Ю.В. Иванским для решения задачи дифференцированного консенсуса [3], А.В. Гасниковым для поиска равновесий в транспортных сетях [5]. Подробно описание подхода сделано в монографии О.Н. Грани-чина и Б.Т. Поляка «Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах» [11]. В частности, один из наиболее общих алгоритмов, рассмотренных в ней, называется в англоязычной литературе Simultaneous Perturbation Stochastic Approximation (SPSA) и был исследован Дж. Спаллом (J. Spall) [96], Х.-Ф. Ченом (H.-F. Chen), Т. Дункан (T. Duncan), Б. Пасик-Дункан (B. Pasik-Duncan) [31], О.Н. Граничиным [7,9], Б.Т. Поляком и А.Б. Цыбаковым [14]. Идея всех вариаций этого алгоритма состоит в аппроксимации градиента вдоль случайно выбранного направления, и поэтому SPSA относится к разновидности стохастического градиентного спуска. К достоинствам этого подхода следует отнести существенно более слабые ограничения, накладываемые на помехи измерений и целевой функционал, по сравнению с традиционно используемыми методами. В частности, в [7,9] доказана работоспособность алгоритма при почти произвольных помехах (например, при «неизвестных, но ограниченных», unknown-but-bounded).

Задача оптимизации энергопотребления может быть формализована таким образом, чтобы удовлетворять ограничениям этих алгоритмов. Попытка такой формализации и анализ полученного решения были опубликованы в статье О.Н. Граничина и В.Е. Краснощёкова о применимости алгоритмов стохастической оптимизации к оптимизации энергопотребления процессора МР3-плеера [12]. Алгоритм SPSA с одним измерением может быть применён для решения задачи трекинга оптимальной рабочей частоты одноядерного ЦП в условиях нагрузки от 0 до 3 процессов. Однако полученный результат не масштабируется на современные мобильные устройства с гетерогенными ЦП, где количество одновременно запущенных процессов не ограничивается сверху. Работ, посвящённых адаптации алгоритмов стохастической оптимизации для этого случая, до последнего времени не было.

Перечисленные тенденции и проблемы подтверждают актуальность

темы диссертационного исследования.

Целью работы является разработка математического и программного обеспечения для современных мобильных ОС для решения задачи управления энергопотреблением гетерогенного ЦП при работе в широком спектре вычислительных нагрузок. Цель достигается в диссертации через решение следующих задач:

1. Исследовать методы измерения и модели оценки энергопотребления ЦП мобильного устройства, в том числе гетерогенной архитектуры, и связанные с этим особенности взаимодействия программ.

2. Исследовать применимость рандомизированных алгоритмов управления, оптимизации и оценивания параметров для математического и программного обеспечения ОС по управлению энергопотреблением гетерогенного ЦП и разработать алгоритмы управления на их основе.

3. Создать модуль БУРБ на базе разработанных алгоритмов управления, встроить его в современную мобильную ОС и оценить качество работы мобильного устройства под его управлением, включая человеко-машинные интерфейсы, в условиях параллельной обработки данных.

Методы исследования. В диссертации применяются методы теорий управления, оптимизации, оценивания, вероятностей и математической статистики; применяются методы системного программирования, стохастической оптимизации, рандомизированные алгоритмы.

Основные результаты:

1. Предложена и обоснована модель оценки энергопотребления ЦП, построенного по гетерогенной архитектуре, учитывающая динамическую вычислительную нагрузку и пребывание в состоянии простоя, даны практические рекомендации по её применению.

2. Разработан подход к решению задачи управления энергопотреблением гетерогенного ЦП на основе рандомизированных алгоритмов стохастической оптимизации, в рамках которого предложены и обоснованы функционалы среднего риска для алгоритмов SPSA с одним и двумя измерениями. Исследована и установлена теоретическая состоятельность оценок, предоставляемых разработанными алгоритмами, в рамках ограничений, накладываемых особенностями работы ЦП.

3. Разработаны модули DVFS, оптимизирующие энергопотребление ЦП с учётом особенностей его работы, основанные на предложенных функционалах и алгоритмах SPSA c одним и двумя измерениями. На базе подготовленных тестовых стендов, управляемых ОС Android, проведено сравнение с существующими аналогами. На модули, основанные на алгоритмах SPSA с двумя измерениями, по-лучно свидетельство о государственной регистрации программ на ЭВМ.

Научная новизна. Все основные научные результаты диссертации являются новыми.

Теоретическая ценность и практическая значимость. Теоретическая ценность работы состоит в исследовании применимости рандомизированных алгоритмов стохастической оптимизации для решения задачи тре-кинга оптимальной рабочей частоты гетерогенного ЦП на основе его модели энергопотребления в условиях произвольных вычислительных нагрузок и выявлении различных стратегий использования зашумленных измерений.

Разработанное математическое обеспечение, а также стоящие за ним принципы могут быть применены для решения схожих задач по управлению частотой ЦП исходя из других оптимизационных критериев. Введённый понятийный аппарат может быть применён при разработке энергоэффективного программного обеспечения как прикладного, так и си-

стемного уровня, а также для сопровождения программных средств различного назначения.

Созданное во время проведённого диссертационного исследования системное программное обеспечение повышает энергетическую эффективность процессов обработки данных и знаний в вычислительных машинах с гетерогенными ЦП и может быть перенесено на другие ЭВМ, отличные от созданных стендов, а равно послужить основой для других модулей DVFS.

Апробация работы. Результаты диссертации докладывались на Четвёртой конференции по программной инженерии и организации информации (SEIM'20) (г. Санкт-Петербург, Россия, 16 мая, 2020), на Пятой конференции по программной инженерии и организации информации (SEIM'21) (г. Санкт-Петербург, Россия, 17 апреля, 2021), на конференции IEEE 7th International Conference on Event-based Control, Communication, and Signal Processing (EBCCSP'21) (June 23-25, 2021, Krakow, Poland), на конференции 60th IEEE conference on Decision and Control (CDC'21) (December 13-17, 2021, Austin, Texas, USA).

Результаты диссертации были использованы в работах по гранту РНФ 21-19-00516 «Мультиагентное адаптивное управление в сетевых динамических системах с применением к группам робототехнических устройств в условиях неопределенностей» и гранту СПбГУ ID: 94062114.

Публикация результатов. Основные результаты исследований отражены в работах [15,26,27,78,83,92,93]. Соискателем опубликовано 8 научных работ, из которых одна публикация — свидетельство о регистрации программы на ЭВМ, шесть опубликовано в изданиях, индексируемых в базе данных Scopus, и две в журналах, входящих в перечень рецензируемых научных журналов, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук.

Работы [15,26,27,78,83,92,93] написаны в соавторстве. В работе [78] С.Ю. Сартасову принадлежит методологическое и организационное обес-

печение работы, обзор источников и анализ результатов, соавторам — независимый обзор источников. В [93] С.Ю. Сартасову принадлежит общая постановка задачи, архитектура решения и методологическое обеспечение, соавторам — выбор методов решения и его программирование. В работах [15,26,27] О.Н. Граничину принадлежит общее методическое руководство, С.Ю. Сартасову — общая постановка задачи, архитектура функционала среднего риска и решения в целом, методология тестирования, обработка результатов экспериментов, другим соавторам — создание тестового стенда, конкретизация функционала среднего риска, программирование решения и тестовых сценариев, проведение экспериментов. В [92] С.Ю. Сартасову принадлежит общая постановка задачи, выбор методов решения, архитектура решения, обработка результатов экспериментов, соавторам — создание тестовых стендов, программирование решения и проведение экспериментов. В работе [83] О.Н. Граничину принадлежит общее методическое руководство, С.Ю. Сартасову — общая постановка задача, разработка функционала среднего риска, программирование решения, методология тестирования, проведение экспериментов и обработка их результатов, М.А. Пелогейко — модификации функционала среднего риска, программирование решения, подготовка тестового стенда и проведение экспериментов.

На программные модули, разработанные по результатам диссертационного исследования, получены акты о внедрении от ООО «Ланит-Терком» и федерального государственного бюджетного образовательного учреждения высшего образования «Балтийского государственного технического университета «ВОЕНМЕХ» им. Д.Ф. Устинова» (см. Приложение А) и свидетельство о государственной регистрации программ для ЭВМ № 2023666564 от 2 августа 2023 года [16] (см. Приложение В).

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, списка литературы, включающего 110 источников. Текст занимает 97 страниц, содержит 3 рисунка и 12 таблиц.

Краткое содержание работы

Во введении обосновывается актуальность диссертационной работы, формулируется цель, ставятся задачи исследования и кратко излагаются основные результаты.

В первой главе даётся описание проблемы измерения энергопотребления центрального процессора, сопровождаемое обзором литературы. В разделе 1.1 даётся понятие энергопотребления мобильных устройств, даётся определение задачи оптимизации энергопотребления и рассматриваются существующие подходы к решению этой задачи как на уровне аппаратного обеспечения, так и на уровне операционных систем и отдельных программ и программных систем. Отдельно отмечается, что подтверждением качества решения является сравнение энергопотребления устройства или его компонента до и после его внедрения. В разделе 1.2 рассматривается методология проведения измерительных экспериментов и делается обзор существующих подходов к измерению энергопотребления. Устанавливается разница между измерением и оценкой энергопотребления. Отдельно описываются существующие подходы для энергопотребления ЦП, их достоинства и недостатки, и делается вывод о целесообразности создания новой модели оценки. В разделе 1.3 описана и обоснована новая модель энергопотребления ЦП, учитывающая особенности, накладываемые гетерогенной архитектурой, и использующая авторский подход к учёту времени нахождения ЦП в состояниях простоя.

Во второй главе исследуется вопрос применимости рандомизированных алгоритмов стохастической оптимизации для задачи управления энергопотреблением гетерогенного ЦП. В разделе 2.1 вводятся основные понятия теории стохастической оптимизации, описываются наиболее разработанные алгоритмы и их свойства. В подразделе 2.1.1 даётся определение функционала среднего риска и задачи поиска его оптимума. В подразделе 2.1.2 описываются различные варианты алгоритма БРЯЛ и связанные с ними теоретические результаты, в том числе оценки состоятельности. В разделе 2.2 расматривается связь задачи оптимизации энергопотребления процессора с задачей отслеживания изменений (тре-

кинга) оптимальных параметров нестационарного функционала среднего риска, даются теоретические результаты в этой области для алгоритма SPSA. В разделе 2.3 разрабатывается функционал среднего риска для алгоритма SPSA c одним зашумленным наблюдением. В разделе 2.4 разрабатывается функционал среднего риска для алгоритма SPSA c двумя зашумленными наблюдениями. В подразделе 2.4.1 определяется понятие стоимости исполнения программы и на основе этого понятия формируется целевая функция для алгоритма SPSA с двумя измерениями. В подразделе 2.4.2 рассматриваются различные подходы к получению зашумленных наблюдений в рамках цикла DVFS.

Третья глава посвящена разработке регуляторов DVFS на основе принципов, изложенных в Главе 2, и их тестированию. В разделе 3.1 описываются технические аспекты программирования регуляторов SPSA1 и SPSA2 для ОС Android. В разделе 3.2 приводятся методология и результаты экспериментов по оценке качества работы полученных регуляторов. Подраздел 3.2.1 посвящён тестированию регулятора SPSA1, подраздел 3.2.2 — тестированию различных вариантов SPSA2. В разделе 3.3 производится анализ полученных результатов и делается вывод о соответствии свойств полученных регуляторов поставленной цели.

В заключении формулируются основные результаты диссертации.

Глава 1. Модель энергопотребления гетерогенного центрального процессора

В этой главе вводятся основные понятия, связанные с архитектурой и энергопотреблением современных мобильных устройств, рассматриваются различные подходы к оптимизации энергопотребления и способы его измерения или оценки, формулируется модель энергопотребления гетерогенного центрального процессора (ЦП).

1.1 Энергопотребление мобильных

устройств

Мобильные устройства, такие как смартфоны, планшеты и умные часы, стали неотъемлемой частью современной жизни. Цифровые сервисы, получаемые посредством этих устройств, не только улучшают качество жизни, но и формируют новые виды отношений в социуме. Ожидается, что в 2024 году число активно используемых смартфонов превысит 7 млрд. При этом наиболее распространенной операционной системой (ОС) для мобильных устройств на сегодняшний день является Android [79].

Мобильные устройства — это в первую очередь электрические устройства с автономным источником питания (аккумулятором) и, как следствие, ограниченным временем автономной работы. С физической точки зрения используемые в современных мобильных устройствах литий-полимерные аккумуляторы являются реальными источниками напряжения (РИН). При уровне заряда выше 90% напряжение между контактами аккумулятора выше номинального, от 90% до примерно 20% уровень вы-

даваемого аккумулятором напряжения мало изменяется, а затем начинает резко снижаться. В силу этого и благодаря дополнительным цепям на практике напряжение аккумулятора мобильного устройства принимается постоянным или незначительно меняющимся в рамках эксперимента. Основной характеристикой аккумулятора является ёмкость, измеряемая в ампер-часах (А-ч). Ёмкость, например, в 4000 мА-ч означает, что аккумулятор может обеспечивать для потребителей силу тока в 4 А при его номинальном напржении в течение одного часа, при этом увеличение или уменьшение силы тока пропорционально уменьшает или увеличивает время работы [24].

Разные режимы работы компонентов мобильных устройств, таких как ЦП, экран, модули беспроводной связи Wi-Fi и Bluetooth®, графическая карта и т.д., характеризуются различными уровнями энергопотребления. В частности, ЦП обладает возможностью переключаться между рабочими частотами, и чем ниже выбранная частота, тем ниже энергопотребление. Потребляемая мощность экрана складывается из затрат на формирование пикселов определённого цвета и подсветки экрана. Потребляемая мощность подсветки растёт экспоненциально уровню яркости, однако для схемы расположения пикселов PenTile для матриц AMOLED при отображении зелёного цвета тратится большая мощность по сравнению с красным и синим из-за удвоенного количества зелёных субпикселов на один пиксел [30]. Модули беспроводной связи значительно сильнее нагружают аккумулятор в режимах поиска сетей и подключения к ним по сравнению со стабильной работой с сетью на определённой конфигурации, что приводит к повышенному энергопотреблению в ситуации нестабильного подключения к сети [92].

Системные и прикладные приложения по-разному используют компоненты устройства, но за счёт использования ЦП любая вычислительная нагрузка с неизбежностью разряжает аккумулятор. Таким образом, задача увеличения времени работы мобильного устройства в автономном режиме по сути является задачей оптимизации энергопотребления. Дополнительную актуальность задаче добавляет также и тот факт, что

электрохимические аккумуляторы, используемые в доступных на рынке мобильных устройствах, деградируют с течением времени, то есть их максимальная ёмкость падает с каждым циклом перезарядки [24]. Поэтому дополнительный экономический эффект от решения этой задачи возникает не только благодаря уменьшению потребляемой энергии при перезарядке мобильных устройств с течением времени, но и благодаря возможности увеличить время до покупки нового мобильного устройства по той причине, что у старого время автономной работы уменьшилось до неприемлемого.

С другой стороны, с пользовательской точки зрения важно сохранить комфорт от работы с устройством независимо от выбранной стратегии управления потреблением энергии. Так как уменьшение энергопотребления связано с уменьшением производительности, то, неформально говоря, цель оптимизации состоит в том, чтобы устройство максимально комфортно «тормозило» у пользователя. Однако в связи с тем, что понятие «комфорта» объективно не формализуется, в рамках различных подходов к решению поставленной задачи создаются более формальные критерии оптимизации, которые, по мнению их авторов, связаны с этим понятием.

Классический подход к решению проблемы увеличения времени автономной работы состоит в физическом увеличении ёмкости электрохимических аккумуляторов, и в этом направлении за последние 25 лет наблюдается существенный прогресс: использовавшиеся в начале 2000-х годов в карманных компьютерах никель-кадмиевые аккумуляторы имели ёмкость порядка 1000 мА-ч, в то время как типовая ёмкость литий-полимерных аккумуляторов в современных смартфонах составляет 35004000 мА-ч [24]. Другой широко распространённой схемой является выключение или усыпление (гибернация) компонента мобильного устройства, если он долгое время не используется — в таком состоянии его энергопотребление заметно меньше. Результат применения этого подхода чаще всего заметен, когда спустя некоторое время у неиспользуемого мобильного устройства выключается экран, но так же работают драйве-

ры и модулей беспроводной связи, и графических карт [19].

На уровне прикладного программного обеспечения оптимизация энергопотребления достигается путём внедрения в приложения энергетических профилей — совокупностей конфигурационных значений, которые применяются при определённом уровне заряда [90]. Например, при достижении уровня заряда в 20% приложение начинает использовать модуль геопозиционирования (GPS) не постоянно, а раз в 5-60 секунд. Для экономии заряда аккумулятора могут применяться тёмные темы пользовательского интерфейса вместо светлых [38]. Отдельным направлением исследований является обработка вычислительных задач не на устройстве, а в облачной инфраструктуре с передачей результатов обратно на устройство [34,107], что дополняется распространением бессерверной архитектуры приложений [82].

Большое внимание к вопросам энергопотребления уделяется в системном программом обеспечении. Если у компонента мобильного устройства есть технические возможности по оптимизации энергопотребления, то их активно используют на уровне операционной системы.

Современные ЦП способны входить в состояние простоя, во время нахождения в котором приостанавливается выполнение любых программ. Многоядерные процессоры могут переводить одно или несколько своих ядер в состояние простоя, в то время как другие ядра остаются активными. В состоянии простоя снижение энергопотребления достигается за счёт того, что часть аппаратных компонентов процессора отключена. Чем глубже состояние, тем больше компонентов отключено, однако это увеличивает время выхода обратно в активное состояние. В терминах ОС Linux и Android общая задержка входа в состояние простоя и минимальное время, в течение которого аппаратное обеспечение будет в нём находиться, называется целевой резидентностью (target residency).

Список литературы диссертационного исследования кандидат наук Сартасов Станислав Юрьевич, 2024 год

Литература

[1] Амелин К. С. и др. Адаптивное управление автономной группой беспилотных летательных аппаратов // Стохастическая оптимизация в информатике. -- 2009. — Т. 5. -- С. 157-166.

[2] Вазан М. Стохастическая аппроксимация. - М.: Мир, 1972. - 295 с.

[3] Амелина Н. О., Иванский Ю. В. Задача достижения дифференцированного консенсуса при стоимостных ограничениях // Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия. — 2015. — Т. 2. — № 4. — С. 495-506.

[4] Вахитов А. Т., Граничин О. Н. Рандомизированные алгоритмы оценивания при нерегулярных помехах // Стохастическая оптимизация в информатике. - 2006. - Т. 2. - С. 3-37.

[5] Гасников А. В. и др. Численные методы поиска равновесного распределения потоков в модели Бэкмана и в модели стабильной динамики // Математическое моделирование. - 2016. — Т. 28. — № 10.

— С. 40-64.

[6] Граничин О. Н. Об одной стохастической рекуррентной процедуре при зависимых помехах в наблюдении, использующей на входе пробные возмущения // Вестник Ленинградского университета. Серия 1: Математика, механика, астрономия. - 1989. - № 1. - С. 19-21.

[7] Граничин О. Н. Процедура стохастической аппроксимации с возмущением на входе // Автоматика и телемеханика. — 1992. — № 2.

— С. 97-104.

[8] Граничин О. Н. Оценивание точки минимума неизвестной функции, наблюдаемой на фоне зависимых помех // Проблемы передачи информации. - 1992. - Т. 28. - № 2. - С. 16-20.

[9] Граничин О. Н. Рандомизированные алгоритмы стохастической аппроксимации при произвольных помехах // Автоматика и телемеханика. — 2002. — № 2. — С. 44-55.

[10] Граничин О. Н. Оптимальная скорость сходимости рандомизированных алгоритмов стохастической аппроксимации при произвольных помехах // Автоматика и телемеханика. - 2003. - № 2. - С. 88-99.

[11] Граничин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. - М.: Наука, 2003. - 291 с.

[12] Граничин О. Н., Краснощеков В. Е. Алгоритмы оптимизации энергопотребления в мобильных устройствах // Нейрокомпьютеры: разработка, применение. — 2007. — № 6. — С. 81-86.

[13] Михалевич В.С., Гупал А.М., Норкин В.И. Методы невыпуклой оптимизации. - М.: Мир, 1987. - 279 с.

[14] Поляк Б. Т., Цыбаков А. Б. Оптимальные порядки точности поисковых алгоритмов стохастической оптимизации // Проблемы передачи информации. - 1990. - Т. 26. - № 2. — С. 45-53.

[15] Сартасов С.Ю., Богданов Е.А., Божнюк А.С., Быков Д.В., Граничин О.Н. Проблемы и перспективы использования стохастической аппроксимации для регулирования частот процессора в Android OS // Компьютерные инструменты в образовании. - 2021. - № 2. - С. 26-40.

[16] Сартасов С.Ю., Пелогейко М.А., Граничин О.Н. Энергосберегающие регуляторы DVFS для Android OS на основе алгоритма SPSA с двумя измерениями и регулятора OnDemand. - Свидетельство о регистрации программы для ЭВМ №2023666564 от 02.08.23.

[17] Ahmad R. W. et al. A case and framework for code analysis-based smartphone application energy estimation // International Journal of Communication Systems. - 2017. - Vol.30, №. 10.

[18] Ahmad R. W. et al. Enhancement and assessment of a code-analysis-based energy estimation framework // IEEE Systems Journal. — 2018. — Vol. 13, no. 1. - P. 1052-1059.

[19] Aldahlawi A., Kim Y.B., Kim K.K. GPU architecture optimization for mobile computing // 2019 International SoC Design Conference (ISOCC). -- IEEE, 2019. -- P. 247-248.

[20] Amelina N. et al. Approximate consensus in stochastic networks with application to load balancing //IEEE Transactions on Information Theory. - 2015. - Vol.61. - №. 4. - P. 1739-1752.

[21] Banerjee A. et al. Detecting energy bugs and hotspots in mobile apps // In: Proc. of the 22nd ACM SIGSOFT international symposium on foundations of software engineering. - 2014. - P. 588-598.

[22] Bareth U. Simulating power consumption of location tracking algorithms to improve energy-efficiency of smartphones // In: Proc. of 2012 IEEE 36th Annual Computer Software and Applications Conference. - IEEE, 2012. - P. 613-622.

[23] Basireddy K. R. et al. AdaMD: Adaptive mapping and DVFS for energy-efficient heterogeneous multicores // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. - 2019. - Vol. 39, no. 10. - P. 2206-2217.

[24] Beard K.W. Linden's Handbook of Batteries, 5th Edition. - McGraw-Hill Education, 2019. - 1456 p.

[25] Blum J. R. Multidimensional stochastic approximation methods // The annals of mathematical statistics. - 1954. - p. 737-744.

[26] Bogdanov E., Bozhnyuk A., Bykov D, Sartasov S., Sergeenko A., Granichin O. Dynamic Voltage-Frequency Optimization using Simultaneous Perturbation Stochastic Approximation // In: Proc. of 60th IEEE Conference on Decision and Control (CDC) 2021. - 2021. -P. 3774-3779.

[27] Bogdanov E., Bozhnyuk A., Sartasov S., Granichin O. On Application of Simultaneous Perturbation Stochastic Approximation for Dynamic Voltage-Frequency Scaling in Android OS // In: Proc. of 7th International Conference on Event-Based Control, Communication, and Signal Processing (EBCCSP) 2021. - 2021. - P. 1-7.

[28] Broyde L. et al. MobiCore: An adaptive hybrid approach for power-efficient CPU management on Android devices // In: Proc. of 30th

IEEE International System-on-Chip Conference (SOCC 2017). — 2017. - P. 221-226.

[29] Carette A. et al. Investigating the energy impact of android smells // In: Proc. of 2017 IEEE 24th International Conference on Software Analysis, Evolution and Reengineering (SANER). - IEEE, 2017. - P. 115-126.

[30] Chae S.-H, Yoo Ch.-H, Sun J.-Y., Kang M.-Ch, Ko S.-J. Subpixel rendering for the pentile display based on the human visual system // IEEE Transactions on Consumer Electronics. 2017. - Vol. 63, № 4. -P. 401-409.

[31] Chen H.-F., Duncan T. E., Pasik-Duncan B. A Kiefer-Wolfowitz algorithm with randomized differences // IEEE Transactions on Automatic Control. - 1999. — Vol. 44, no. 3. - P. 442-453.

[32] Chen X., Zong Z. Android app energy efficiency: The impact of language, runtime, compiler, and implementation // Proceedings of 2016 IEEE international conferences on big data and cloud computing (BDCloud), social computing and networking (socialcom), sustainable computing and communications (sustaincom)(BDCloud-socialcom-sustaincom). - IEEE, 2016. - P. 485-492.

[33] Chen Y.L, Chang M.F., Yu Ch.W, Chen, X.Zh., Liang W.Y. Learning-directed dynamic voltage and frequency scaling scheme with adjustable performance for single-core and multi-core embedded and mobile systems // Sensors. - 2018. - Vol. 12, no. 9.

[34] Chung J. M. et al. Adaptive Cloud Offloading of Augmented Reality Applications on Smart Devices for Minimum Energy Consumption // Ksii Transactions on Internet & Information Systems. -- 2015. — Vol. 9, no. 8.

[35] Chung Y. F., Lin C. Y., King C. T. Aneprof: Energy profiling for android java virtual machine and applications // Proceedings of 2011 IEEE 17th International Conference on Parallel and Distributed Systems. - IEEE, 2011. - P. 372-379.

[36] Couto M. et al. GreenDroid: A tool for analysing power consumption in the android ecosystem // In: Proc. of 2015 IEEE 13th International Scientific Conference on Informatics. - IEEE, 2015. - P. 73-78.

[37] CPU frequency and voltage scaling code in the Linux (TM) kernel. Linux CPUFreq. CPUFreq Governors. Available at: https://android.googlesource.com/kernel/common/+/ a7827a2a60218b25f222b54f77ed38f57aebe08b/Documentation/ cpu-freq/governors. txt. (accessed 10.08.2023).

[38] Cruz L., Abreu R. Catalog of energy patterns for mobile applications // Empirical Software Engineering. - 2019. - Vol. 24. - P. 2209-2235.

[39] Dey S. et al. CPU-GPU-Memory DVFS for Power-Efficient MPSoC in Mobile Cyber Physical Systems // Future Internet. - 2022. - Vol. 14, no. 3.

[40] Di Nucci D. et al. Petra: a software-based tool for estimating the energy profile of android applications // Proceedings of the 2017 IEEE/ACM 39th International Conference on Software Engineering Companion (ICSE-C). - IEEE, 2017. - P. 3-6.

[41] Dong M, Lan T., Zhong L. Rethink energy accounting with cooperative game theory // Proceedings of the 20th annual international conference on Mobile computing and networking. - 2014.

- P. 531-542.

[42] Dolezal J., Becvar Z. Methodology and tool for energy consumption modeling of mobile devices // Proceedings of 2014 IEEE Wireless Communications and Networking Conference Workshops (WCNCW).

- IEEE, 2014. - P. 34-39.

[43] Geekbench 5 CPU Workloads. Available at: https://www.geekbench. com/doc/geekbench5-cpu-workloads.pdf. (accessed 10.05.2023).

[44] Feghhi M. Multi-layer tracing of android applications for energy-consumption analysis. - Master Thesis. - 2017.

[45] Fischer L. M., de Brisolara L. B., De Mattos J. C. B. Sema: An approach based on internal measurement to evaluate energy efficiency of android applications // 2015 Brazilian Symposium on Computing Systems Engineering (SBESC). - IEEE, 2015. - P. 48-53.

[46] Gao X. et al. E-android: A new energy profiling tool for smartphones // 2017 IEEE 37th international conference on distributed computing systems (ICDCS). - IEEE, 2017. - P. 492-502.

[47] Granichin O. Linear regression and filtering under nonstandard assumptions (Arbitrary noise) // IEEE Transactions on Automatic Control. - 2004. - Vol. 49, no. 10. - P. 1830-1837.

[48] Granichin O., Gurevich L., Vakhitov A. Discrete-time minimum tracking based on stochastic approximation algorithm with randomized differences // Proceedings of the 48h IEEE Conference on Decision and Control (CDC) held jointly with 2009 28th Chinese Control Conference.

- IEEE, 2009. - P. 5763-5767.

[49] Granichin O, Amelina N. Simultaneous perturbation stochastic approximation for tracking under unknown but bounded disturbances // IEEE Transactions on Automatic Control. - 2015. - Vol. 60. - No. 6. - P. 1653-1658.

[50] Granichin O., Volkovich Z, Toledano-Kitai D. Randomized Algorithms in Automatic Control and Data Mining. - 2015. -249 p.

[51] Greenhalgh, P. big.LITTLE technology: The future of mobile [White paper] // ARM Limited. - 2013.

[52] Hao S. et al. Estimating Android applications' CPU energy usage via bytecode profiling // 2012 First international workshop on green and sustainable software (GREENS). - IEEE, 2012. - P. 1-7.

[53] Hindle A. et al. Greenminer: A hardware based mining software repositories software energy consumption framework // In: Proc. of the 11th Working Conference on Mining Software Repositories. - 2014.

- P. 12-21.

[54] Hu Y. et al. Lightweight energy consumption analysis and prediction for Android applications // Science of Computer Programming. - 2018.

- Vol. 162. - P. 132-147.

[55] Huang J. et al. A close examination of performance and power characteristics of 4G LTE networks // Proceedings of the 10th International Conference on Mobile Systems, Applications, and Services. - 2012. - P. 225-238.

[56] Hung S. H. et al. Performance and power estimation for mobile-cloud applications on virtualized platforms // Proceedings of the 2013

Seventh International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing. - IEEE, 2013. - P. 260-267.

[57] Jung W, Kim K, Cha H. Userscope: A fine-grained framework for collecting energy-related smartphone user contexts // 2013 International Conference on Parallel and Distributed Systems. - IEEE, 2013. - P. 158-165.

[58] Kamiyama T., Inamura H, Ohta K. A model-based energy profiler using online logging for Android applications // Proceedings of the 2014 Seventh International Conference on Mobile Computing and Ubiquitous Networking (ICMU). - IEEE, 2014. - P. 7-13.

[59] Kapetanakis K, Panagiotakis S. Efficient energy consumption's measurement on android devices // Proceedings of 2012 16th Panhellenic Conference on Informatics. - IEEE, 2012. - P. 351-356.

[60] Energy Aware Scheduling. Available at: https://www.kernel. org/doc/html/next/scheduler/sched-energy.html. (accessed 06.08.2023).

[61] Schedutil. Available at: https://docs.kernel.org/scheduler/ schedutil.html. (accessed 12.08.2023)

[62] Kiefer J., Wolfowitz J. Statistical estimation on the maximum of a regression function // The Annals of Mathematical Statistics. - 1952. - Vol. 23. - P. 462-466.

[63] Kim H. J., Kyong J., Lim S. S. A systematic power and performance analysis framework for heterogeneous multiprocessor system // IEMEK Journal of Embedded Systems and Applications. - 2014. - Vol. 9, no. 6. - P. 315-321.

[64] Kim S, Bin K, Ha S, Lee K, Chong S. ZTT: learning-based DVFS with zero thermal throttling for mobile devices // In: Proc. of the 19th Annual International Conference on Mobile Systems, Applications, and Services (MobiSys '21). - 2021. - P. 41--53.

[65] Larsson M., Stigelid M. Energy Efficient Data Synchronization in Mobile Applications. A Comparison Between Different Data Synchronization Techniques. - Ph.D. Thesis - 2015.

[66] Lee J., Nam S., Park S. Energy-Efficient Control of Mobile Processors Based on Long Short-Term Memory // IEEE Access. - 2019. - Vol. 7. - P. 80552-80560.

[67] Lee S., Yoon C., Cha H. User interaction-based profiling system for android application tuning // Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing. - 2014. - P. 289-299.

[68] Lee S. et al. EnTrack: a system facility for analyzing energy consumption of Android system services // Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing. - 2015. - P. 191-202.

[69] Li D. et al. Energy-directed test suite optimization // 2013 2nd International Workshop on Green and Sustainable Software (GREENS). - IEEE, 2013. - P. 62-69.

[70] Li X., Gallagher J. P. Fine-grained energy modeling for the source code of a mobile application // Proceedings of the 13th International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services. - 2016. - P. 180-189.

[71] Li X., Wen W., Wang X. Usage history-directed power management for smartphones // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - Springer. - 2015.

[72] Marr D. T. et al. Hyper-threading technology architecture and microarchitecture // Intel Technology Journal. - 2002. - Vol. 6, no. 1.

[73] Measuring Power Values. Available at: https://source.android. com/docs/core/power/values. (accessed 06.08.2023).

[74] Metri G.C. Energy Efficiency Analysis and Optimization for Mobile Platforms. - Wayne State University, 2014.

[75] Metri G.C. et al. A simplistic way for power profiling of mobile devices // In: Proc. of 2012 International Conference on Energy Aware Computing. — 2012. — P. 1-6.

[76] Mittal R., Kansal A., Chandra R. Empowering developers to estimate app energy consumption // In: Proc. of the 18th Annual International Conference on Mobile Computing and Networking. - 2012. - P. 317— 328.

[77] Oliveira W. et al. Recommending energy-efficient java collections // 2019 IEEE/ACM 16th International Conference on Mining Software Repositories (MSR). — IEEE, 2019. — P. 160—170.

[78] Myasnikov V., Sartasov S., Slesarev I., Gessen P. Energy consumption measurement frameworks for Android OS: A systematic literature review // In: Proc. of the Fifth Conference on Software Engineering and Information Management (SEIM 2020). — 2020.

[79] Number of smartphone mobile network subscriptions worldwide from 2016 to 2022, with forecasts from 2023 to 2028. Available at: https://www.statista.com/statistics/330695/ number-of-smartphone-users-worldwide/. (accessed 06.08.2023)

[80] Ohk S. R., Kim Y. S., Kim Y. J. Phase-based low power management combining CPU and GPU for Android smartphones // Electronics. — 2022. — Vol. 11, no. 16. — P. 2480.

[81] Pandiyan D., Wu C. J. Quantifying the energy cost of data movement for emerging smart phone workloads on mobile platforms // Proceedings of 2014 IEEE International Symposium on Workload Characterization (IISWC). — IEEE, 2014. — P. 171—180.

[82] Patros P. et al. Toward sustainable serverless computing // IEEE Internet Computing. — IEEE, 2021. — Vol. 25, no. 6. — P. 42—50.

[83] Pelogeiko M, Sartasov S., Granichin O. On stochastic optimization for smartphone CPU energy consumption decrease // Informatics and Automation (SPIIRAS Proceedings). — 2023. — Vol. 22. — no. 5. — P. 1004—1033.

[84] Polyak B. T., Tsybakov A. B. On stochastic approximation with arbitrary noise (the KW case) / Topics in Nonparametric Estimation. Khasminskii R.Z. eds. // Advances in Soviet Mathematics. Amer. Math. Soc. Providence. — 1992. — Vol. 12. — P. 107—113.

[85] Poornambigai K., Raj M. L., Meena P. Reducing the energy consumption using dvfs performance optimizing scheme //EPRA

International Journal of Research and Development (IJRD). — 2017.

— Vol. 2. -- no. 1. — P. 79-88.

[86] Power Profiles for Android. Available at: https://source.android. com/docs/core/power. (accessed 06.08.2023).

[87] Rapp M., Krohmer N., Khdr H., Henkel J. NPU-accelerated imitation learning for thermal- and QoS-aware optimization of heterogeneous multi-cores // In: Proc. of the 2022 Conference & Exhibition on Design, Automation & Test in Europe (DATE '22). - 2021. - P. 584-587.

[88] Robbins H., Monro S. A stochastic approximation method // The Annals of Mathematical Statistics. - 1951. - Vol. 22. - P. 400-407.

[89] Sahar H., Bangash A. A., Beg M. O. Towards energy aware object-oriented development of android applications // Sustainable Computing: Informatics and Systems. - 2019. - Vol. 21. - P. 28-46.

[90] Sahin C. et al. Initial explorations on design pattern energy usage // 2012 First International Workshop on Green and Sustainable Software (GREENS). -- IEEE, 2012. - P. 55-61.

[91] Saksonov A. Method to Derive Energy Profiles for Android Platform.

- Master Thesis. - 2014.

[92] Sartasov S., Miroshnikov V., Kuznetsov I. Frequency-independent smartphone peripherals energy consumption estimation // Cybernetics and Physics. - 2023. - Vol. 12. - no. 1. - P. 42-50.

[93] Sartasov S. et al. Navitas Framework: A Novel Tool for Android Applications Energy Profiling // In: Proc. of the Sixth Conference on Software Engineering and Information Management (SEIM 2021). -2021.

[94] Shin D. et al. Online estimation of the remaining energy capacity in mobile systems considering system-wide power consumption and battery characteristics // Proceedings of 2013 18th Asia and South Pacific Design Automation Conference (ASP-DAC). - IEEE, 2013. -P. 59-64.

[95] Song S., Kim J., Chung J.-M. Energy consumption minimization control for augmented reality applications based on multi-core smart devices // In: Proc. of 2019 IEEE International Conference on Consumer Electronics (ICCE). - 2019. - P. 1-4.

[96] Spall J.C. Multivariate stochastic approximation using a simultaneous perturbation gradient approximation // IEEE Transactions on Automatic Control. - 1992. - Vol. 37, no. 3. - P. 332-341.

[97] Spall J.C. A one measurement form of simultaneous perturbation stochastic approximation // Automatica. - 1997. - Vol. 33. - P. 109112.

[98] Spall J. C. An overview of the simultaneous perturbation method for efficient optimization / Johns Hopkins apl technical digest. - 1998. -Vol. 19. - No. 4. - P. 482-492.

[99] Tsao S. L. et al. Powermemo: A power profiling tool for mobile devices in an emulated wireless environment // Proceedings of 2012 International Symposium on System on Chip (SoC). - IEEE, 2012. -P. 1-5.

[100] Tuysuz M. F., Ucan M., Trestian R. A real-time power monitoring and energy-efficient network/interface selection tool for android smartphones // Journal of Network and Computer Applications. -2019. -Vol. 127. - P. 107-121.

[101] Vakhitov A. T., Granichin O. N. SPSA-based adaptive control: accuracy of estimates // IFAC Proceedings Volumes. - 2007. - Vol. 40, no. 13. - P. 429-434.

[102] Walcott-Justice K. MAUE: A Framework For Detecting Energy Bugs From User Interactions On Mobile Applications. - Master Thesis. -2016.

[103] Weiser M., Welch B., Demers A., Shenker S. Scheduling for reduced CPU energy // Mobile Computing. - Springer. - 1996. - P. 449-471.

[104] Westfield B., Gopalan A. Orka: A new technique to profile the energy usage of Android applications // In: Proc. of 2016 5th International Conference on Smart Cities and Green ICT Systems (SMARTGREENS). - IEEE, 2016. - P. 1-12.

[105] Wilke C, Gotz S., Richly S. Jouleunit: a generic framework for software energy profiling and testing // Proceedings of the 2013 Workshop on Green in/by Software Engineering. - 2013. - P. 9-14.

[106] Wilke C. Energy-Aware Development and Labeling for Mobile Applications. - Ph.D. Thesis. - 2014.

[107] Wu H., Sun Y, Wolter K . Energy-efficient decision making for mobile cloud offloading // IEEE Transactions on Cloud Computing. — IEEE, 2018. — Vol. 8, no. 2. - P. 570-584.

[108] Wysocky R.J. CPU Performance Scaling. Available at: https://www. kernel.org/doc/html/latest/admin-guide/pm/cpufreq.html. (accessed 06.08.2023).

[109] Yoon C. et al. AppScope: Application energy metering framework for Android smartphone using kernel activity monitoring // Proceedings of the 2012 USENIX Annual Technical Conference (USENIX ATC 12). - 2012. - P. 387-400.

[110] Zhang L. et al. Accurate online power estimation and automatic battery behavior based power model generation for smartphones // Proceedings of the Eighth IEEE/ACM/IFIP International Conference on Hardware/Software Codesign and System Synthesis. - 2010. - P. 105-114.

Приложение Л. Акты о внедрении

МИНОБРНЛУКИ РОССИИ

федерально« государственное б юл местное

о брааоп ятел ь а оо учреждение высшего оврмпяаиня

«БялпиПскиМ пн.удщчггж'нныИ технический

уишф<игсг<4ЮЕНМЕХ»т1ДФ. Успении» (БГТУ «ВОЕНМЕХ» мм, Д.Ф. Устинова)

а™»Пепреиг. 190005,1-1 Крисноармейсси ул., л, I Тел.: [phone], Ф№с: (812)4«МИ91 Е-таИ: [e-mail], vvww.voenjneli.ra ИНН 7809003047

а &<?. ¿¿у з ¿/рое

Н» __ГУТ_

УТВЕРЖДАЮ по НР и ИР

2023 г.

АКТ

о внедрении результатов диссертационного исследования Сартасова Станислава Юрьевича на тему «Управление энергопотреблением процессора на основе стохастической оптимизации»

Комиссия в составе:

председатель Тучкин Игорь Ревович,

члены комиссии: Лукичев Вадим Юрьевич

составили настоящий акт о том, что результаты диссертационной работы «Управление энергопотреблением процессора на основе стохастической оптимизации», представленной на соискание ученой степени кандидата технических наук, использованы в опытно-конструкторской работе БГТУ «ВОЕНМЕХ» им. Д.Ф. Устинова при разработке СЧ ОКР «Разработка макета системы документирования изображений подстилающей поверхности для стенда» АС] «ВПК «НПО машиностроения» в виде методик управления энергопотреблением процессора и рекомендаций по разработке модулей, их реализующих. Председатель комиссии:

Начальник Научно-Исследователъской лаборатории «Сенсорики и Искусственного интеллекта» Тучкин И.Р. Члены комиссии: Научный руководитель

«Сенсорики и Искусственно! о интеллекта, к.т.н. Лукичев В Ю.

"О"

Приложение В. Свидетельство о государственной регистрации программы

для ЭВМ